unicode统一编码.docx

unicode统一编码.docx

《unicode统一编码.docx》由会员分享，可在线阅读，更多相关《unicode统一编码.docx（13页珍藏版）》请在冰豆网上搜索。

unicode统一编码

Unicode编码

Unicode（统一码、万国码、单一码）是一种在计算机上使用的字符编码。

它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。

1990年开始研发，1994年正式公布。

随着计算机工作能力的增强，Unicode也在面世以来的十多年里得到普及。

一、简介

　　Unicode是基于通用字符集（UniversalCharacterSet）的标准来发展，并且同时也以书本的形式（TheUnicodeStandard，目前第五版由Addison-WesleyProfessional出版，ISBN-10:

0321480910）对外发表。

　　2006年7月的最新版本的Unicode是5.0版本。

2005年3月31日推出的Unicode4.1.0。

另外，5.0Beta于2005年12月12日推出，5.2版本（unicodestandard）于2009年10月1日正式推出，以供各会员评价。

　　目前Unicode标准，6.1版已发布（2012年1月31日）。

在unicode联盟网站上可以查看完整的6.1的核心规范。

　　Unicode定义了大到足以代表人类所有可读字符的字符集。

二、Unicode的编码和实现

　　大概来说，Unicode编码系统可分为编码方式和实现方式两个层次。

2.1编码方式

　　Unicode是国际组织制定的可以容纳世界上所有文字和符号的字符编码方案。

Unicode用数字0-0x10FFFF来映射这些字符，最多可以容纳1114112个字符，或者说有1114112个码位。

码位就是可以分配给字符的数字。

UTF-8、UTF-16、UTF-32都是将数字转换到程序数据的编码方案。

　　通用字符集（UniversalCharacterSet，UCS）是由ISO制定的ISO10646（或称ISO/IEC10646）标准所定义的标准字符集。

UCS-2用两个字节编码，UCS-4用4个字节编码。

　　历史上存在两个独立的尝试创立单一字符集的组织，即国际标准化组织（ISO）和多语言软件制造商组成的统一码联盟。

前者开发的ISO/IEC10646项目，后者开发的统一码项目。

因此最初制定了不同的标准。

　　1991年前后，两个项目的参与者都认识到，世界不需要两个不兼容的字符集。

于是，它们开始合并双方的工作成果，并为创立一个单一编码表而协同工作。

从Unicode2.0开始，Unicode采用了与ISO10646-1相同的字库和字码；ISO也承诺，ISO10646将不会替超出U+10FFFF的UCS-4编码赋值，以使得两者保持一致。

两个项目仍都存在，并独立地公布各自的标准。

但统一码联盟和ISO/IECJTC1/SC2都同意保持两者标准的码表兼容，并紧密地共同调整任何未来的扩展。

在发布的时候，Unicode一般都会采用有关字码最常见的字型，但ISO10646一般都尽可能采用Century字型。

　　UCS-4根据最高位为0的最高字节分成2^7=128个group。

每个group再根据次高字节分为256个平面（plane）。

每个平面根据第3个字节分为256行（row），每行有256个码位（cell）。

group0的平面0被称作BMP（BasicMultilingualPlane）。

将UCS-4的BMP去掉前面的两个零字节就得到了UCS-2。

每个平面有2^16=65536个码位。

Unicode计划使用了17个平面，一共有17*65536=1114112个码位。

在Unicode5.0.0版本中，已定义的码位只有238605个，分布在平面0、平面1、平面2、平面14、平面15、平面16。

其中平面15和平面16上只是定义了两个各占65534个码位的专用区（PrivateUseArea），分别是0xF0000-0xFFFFD和0x100000-0x10FFFD。

所谓专用区，就是保留给大家放自定义字符的区域，可以简写为PUA。

　　平面0也有一个专用区：

0xE000-0xF8FF，有6400个码位。

平面0的0xD800-0xDFFF，共2048个码位，是一个被称作代理区（Surrogate）的特殊区域。

代理区的目的用两个UTF-16字符表示BMP以外的字符。

在介绍UTF-16编码时会介绍。

　　如前所述在Unicode5.0.0版本中，238605-65534*2-6400-2408=99089。

余下的99089个已定义码位分布在平面0、平面1、平面2和平面14上，它们对应着Unicode目前定义的99089个字符，其中包括71226个汉字。

平面0、平面1、平面2和平面14上分别定义了52080、3419、43253和337个字符。

平面2的43253个字符都是汉字。

平面0上定义了27973个汉字。

2.2实现方式

　　在Unicode中：

汉字“字”对应的数字是23383。

在Unicode中，我们有很多方式将数字23383表示成程序中的数据，包括：

UTF-8、UTF-16、UTF-32。

UTF是“UCSTransformationFormat”的缩写，可以翻译成Unicode字符集转换格式，即怎样将Unicode定义的数字转换成程序数据。

例如，“汉字”对应的数字是0x6c49和0x5b57，而编码的程序数据是：

　　BYTEdata_utf8[]={0xE6,0xB1,0x89,0xE5,0xAD,0x97};//UTF-8编码

　　WORDdata_utf16[]={0x6c49,0x5b57};//UTF-16编码

　　DWORDdata_utf32[]={0x6c49,0x5b57};//UTF-32编码

　　这里用BYTE、WORD、DWORD分别表示无符号8位整数，无符号16位整数和无符号32位整数。

UTF-8、UTF-16、UTF-32分别以BYTE、WORD、DWORD作为编码单位。

“汉字”的UTF-8编码需要6个字节。

“汉字”的UTF-16编码需要两个WORD，大小是4个字节。

“汉字”的UTF-32编码需要两个DWORD，大小是8个字节。

根据字节序的不同，UTF-16可以被实现为UTF-16LE或UTF-16BE，UTF-32可以被实现为UTF-32LE或UTF-32BE。

下面介绍UTF-8、UTF-16、UTF-32、字节序和BOM。

2.3UTF-8

　　UTF-8以字节为单位对Unicode进行编码。

从Unicode到UTF-8的编码方式如下：

　　Unicode编码（16进制）　║　UTF-8字节流（二进制）

　　000000-00007F　║　0xxxxxxx

　　000080-0007FF　║　110xxxxx10xxxxxx

　　000800-00FFFF　║　1110xxxx10xxxxxx10xxxxxx

　　010000-10FFFF　║　11110xxx10xxxxxx10xxxxxx10xxxxxx

　　UTF-8的特点是对不同范围的字符使用不同长度的编码。

对于0x00-0x7F之间的字符，UTF-8编码与ASCII编码完全相同。

UTF-8编码的最大长度是4个字节。

从上表可以看出，4字节模板有21个x，即可以容纳21位二进制数字。

Unicode的最大码位0x10FFFF也只有21位。

　　例1：

“汉”字的Unicode编码是0x6C49。

0x6C49在0x0800-0xFFFF之间，使用用3字节模板了：

1110xxxx10xxxxxx10xxxxxx。

将0x6C49写成二进制是：

0110110001001001，用这个比特流依次代替模板中的x，得到：

111001101011000110001001，即E6B189。

　　例2：

Unicode编码0x20C30在0x010000-0x10FFFF之间，使用用4字节模板了：

11110xxx10xxxxxx10xxxxxx10xxxxxx。

将0x20C30写成21位二进制数字（不足21位就在前面补0）：

000100000110000110000，用这个比特流依次代替模板中的x，得到：

11110000101000001011000010110000，即F0A0B0B0。

2.4UTF-16

UTF-16编码以16位无符号整数为单位。

我们把Unicode编码记作U。

编码规则如下：

　　如果U<0x10000，U的UTF-16编码就是U对应的16位无符号整数（为书写简便，下文将16位无符号整数记作WORD）。

　　如果U≥0x10000，我们先计算U'=U-0x10000，然后将U'写成二进制形式：

yyyyyyyyyyxxxxxxxxxx，U的UTF-16编码（二进制）就是：

110110yyyyyyyyyy110111xxxxxxxxxx。

　　为什么U'可以被写成20个二进制位？

Unicode的最大码位是0x10ffff，减去0x10000后，U'的最大值是0xfffff，所以肯定可以用20个二进制位表示。

例如：

Unicode编码0x20C30，减去0x10000后，得到0x10C30，写成二进制是：

00010000110000110000。

用前10位依次替代模板中的y，用后10位依次替代模板中的x，就得到：

11011000010000111101110000110000，即0xD8430xDC30。

　　按照上述规则，Unicode编码0x10000-0x10FFFF的UTF-16编码有两个WORD，第一个WORD的高6位是110110，第二个WORD的高6位是110111。

可见，第一个WORD的取值范围（二进制）是1101100000000000到1101101111111111，即0xD800-0xDBFF。

第二个WORD的取值范围（二进制）是1101110000000000到1101111111111111，即0xDC00-0xDFFF。

　　为了将一个WORD的UTF-16编码与两个WORD的UTF-16编码区分开来，Unicode编码的设计者将0xD800-0xDFFF保留下来，并称为代理区（Surrogate）：

　　D800－DB7F　║　HighSurrogates　║　高位替代

　　DB80－DBFF　║　HighPrivateUseSurrogates　║　高位专用替代

　　DC00－DFFF　║　LowSurrogates　║　低位替代

　　高位替代就是指这个范围的码位是两个WORD的UTF-16编码的第一个WORD。

低位替代就是指这个范围的码位是两个WORD的UTF-16编码的第二个WORD。

那么，高位专用替代是什么意思？

我们来解答这个问题，顺便看看怎么由UTF-16编码推导Unicode编码。

　　如果一个字符的UTF-16编码的第一个WORD在0xDB80到0xDBFF之间，那么它的Unicode编码在什么范围内？

我们知道第二个WORD的取值范围是0xDC00-0xDFFF，所以这个字符的UTF-16编码范围应该是0xDB800xDC00到0xDBFF0xDFFF。

我们将这个范围写成二进制：

　　11011011100000001101110000000000-11011011111111111101111111111111

　　按照编码的相反步骤，取出高低WORD的后10位，并拼在一起，得到

　　11100000000000000000-11111111111111111111

即0xe0000-0xfffff，按照编码的相反步骤再加上0x10000，得到0xf0000-0x10ffff。

这就是UTF-16编码的第一个WORD在0xdb80到0xdbff之间的Unicode编码范围，即平面15和平面16。

因为Unicode标准将平面15和平面16都作为专用区，所以0xDB80到0xDBFF之间的保留码位被称作高位专用替代。

2.5UTF-32

　　UTF-32编码以32位无符号整数为单位。

Unicode的UTF-32编码就是其对应的32位无符号整数。

　　字节序

　　根据字节序的不同，UTF-16可以被实现为UTF-16LE或UTF-16BE，UTF-32可以被实现为UTF-32LE或UTF-32BE。

例如：

　　Unicode编码　║　UTF-16LE　║　UTF-16BE　║　UTF32-LE　║　UTF32-BE

　　0x006C49　║　496C　║　6C49　║　496C0000　║　00006C49

　　0x020C30　║　43D830DC　║　D843DC30　║　300C0200　║　00020C30

　　那么，怎么判断字节流的字节序呢？

Unicode标准建议用BOM（ByteOrderMark）来区分字节序，即在传输字节流前，先传输被作为BOM的字符"零宽无中断空格"。

这个字符的编码是FEFF，而反过来的FFFE（UTF-16）和FFFE0000（UTF-32）在Unicode中都是未定义的码位，不应该出现在实际传输中。

下表是各种UTF编码的BOM：

　　UTF编码　║　ByteOrderMark

　　UTF-8　║　EFBBBF

　　UTF-16LE　║　FFFE

　　UTF-16BE　║　FEFF

　　UTF-32LE　║　FFFE0000

　　UTF-32BE　║　0000FEFF

UCS-2编码范围

　　Unicode到目前为止所定义的五个平面中,第0平面（BMP）最为重要.其编码分布如下.

　　注：

中文范围4E00-9FBF：

CJK统一表意符号（CJKUnifiedIdeographs）

　　0000-007F：

C0控制符及基本拉丁文（C0ControlandBasicLatin）

　　0080-00FF：

C1控制符及拉丁文补充-1（C1ControlandLatin1Supplement）

　　0100-017F：

拉丁文扩展-A（LatinExtended-A）

　　0180-024F：

拉丁文扩展-B（LatinExtended-B）

　　0250-02AF：

国际音标扩展（IPAExtensions）

　　02B0-02FF：

空白修饰字母（SpacingModifiers）

　　0300-036F：

结合用读音符号（CombiningDiacriticsMarks）

　　0370-03FF：

希腊文及科普特文（GreekandCoptic）

0400-04FF：

西里尔字母（Cyrillic）

　　0500-052F：

西里尔字母补充（CyrillicSupplement）

　　0530-058F：

亚美尼亚语（Armenian）

　　0590-05FF：

希伯来文（Hebrew）

　　0600-06FF：

阿拉伯文（Arabic）

　　0700-074F：

叙利亚文（Syriac）

　　0750-077F：

阿拉伯文补充（ArabicSupplement）

　　0780-07BF：

马尔代夫语（Thaana）

　　07C0-077F：

西非书面语言（N'Ko）

　　0800-085F：

阿维斯塔语及巴列维语（AvestanandPahlavi）

　　0860-087F：

Mandaic

　　0880-08AF：

撒马利亚语（Samaritan）

　　0900-097F：

天城文书（Devanagari）

　　0980-09FF：

孟加拉语（Bengali）

　　0A00-0A7F：

锡克教文（Gurmukhi）

　　0A80-0AFF：

古吉拉特文（Gujarati）

　　0B00-0B7F：

奥里亚文（Oriya）

　　0B80-0BFF：

泰米尔文（Tamil）

　　0C00-0C7F：

泰卢固文（Telugu）

　　0C80-0CFF：

卡纳达文（Kannada）

　　0D00-0D7F：

德拉维族语（Malayalam）

　　0D80-0DFF：

僧伽罗语（Sinhala）

　　0E00-0E7F：

泰文（Thai）

　　0E80-0EFF：

老挝文（Lao）

　　0F00-0FFF：

藏文（Tibetan）

　　1000-109F：

缅甸语（Myanmar）

　　10A0-10FF：

格鲁吉亚语（Georgian）

　　1100-11FF：

朝鲜文（HangulJamo）

　　1200-137F：

埃塞俄比亚语（Ethiopic）

　　1380-139F：

埃塞俄比亚语补充（EthiopicSupplement）

　　13A0-13FF：

切罗基语（Cherokee）

　　1400-167F：

统一加拿大土著语音节（UnifiedCanadianAboriginalSyllabics）

　　1680-169F：

欧甘字母（Ogham）

　　16A0-16FF：

如尼文（Runic）

　　1700-171F：

塔加拉语（Tagalog）

　　1720-173F：

Hanunóo

　　1740-175F：

Buhid

　　1760-177F：

Tagbanwa

　　1780-17FF：

高棉语（Khmer）

　　1800-18AF：

蒙古文（Mongolian）

　　18B0-18FF：

Cham

　　1900-194F：

Limbu

　　1950-197F：

德宏泰语（TaiLe）

　　1980-19DF：

新傣仂语（NewTaiLue）

　　19E0-19FF：

高棉语记号（KmerSymbols）

　　1A00-1A1F：

Buginese

　　1A20-1A5F：

Batak

　　1A80-1AEF：

Lanna

　　1B00-1B7F：

巴厘语（Balinese）

　　1B80-1BB0：

巽他语（Sundanese）

　　1BC0-1BFF：

PahawhHmong

　　1C00-1C4F：

雷布查语（Lepcha）

　　1C50-1C7F：

OlChiki

　　1C80-1CDF：

曼尼普尔语（Meithei/Manipuri）

　　1D00-1D7F：

语音学扩展（PhoneticExtensions）

　　1D80-1DBF：

语音学扩展补充（PhoneticExtensionsSupplement）

　　1DC0-1DFF：

结合用读音符号补充（CombiningDiacriticsMarksSupplement）

　　1E00-1EFF：

拉丁文扩充附加（LatinExtendedAdditional）

　　1F00-1FFF：

希腊语扩充（GreekExtended）

　　2000-206F：

常用标点（GeneralPunctuation）

　　2070-209F：

上标及下标（SuperscriptsandSubscripts）

　　20A0-20CF：

货币符号（CurrencySymbols）

　　20D0-20FF：

组合用记号（CombiningDiacriticsMarksforSymbols）

　　2100-214F：

字母式符号（LetterlikeSymbols）

　　2150-218F：

数字形式（NumberForm）

　　2190-21FF：

箭头（Arrows）

　　2200-22FF：

数学运算符（MathematicalOperator）

　　2300-23FF：

杂项工业符号（MiscellaneousTechnical）

　　2400-243F：

控制图片（ControlPictures）

　　2440-245F：

光学识别符（OpticalCharacterRecognition）

　　2460-24FF：

封闭式字母数字（EnclosedAlphanumerics）

　　2500-257F：

制表符（BoxDrawing）

　　2580-259F：

方块元素（BlockElement）

　　25A0-25FF：

几何图形（GeometricShapes）

　　2600-26FF：

杂项符号（MiscellaneousSymbols）

　　2700-27BF：

印刷符号（Dingbats）

　　27C0-27EF：

杂项数学符号-A（MiscellaneousMathematicalSymbols-A）

　　27F0-27FF：

追加箭头-A（SupplementalArrows-A）

　　2800-28FF：

盲文点字模型（BraillePatterns）

　　2900-297F：

追加箭头-B（SupplementalArrows-B）

　　2980-29FF：

杂项数学符号-B（MiscellaneousMathematicalSymbols-B）

　　2A00-2AFF：

追加数学运算符（SupplementalMathematicalOperator）

　　2B00-2BFF：

杂项符号和箭头（MiscellaneousSymbolsandArrows）

　　2C00-2C5F：

格拉哥里字母（Glagolitic）

　　2C60-2C7F：

拉丁文扩展-C（LatinExtended-C）

　　2C80-2CFF：

古埃及语（Coptic）

　　2D00-2D2F：

格鲁吉亚语补充（GeorgianSupplement）

　　2D30-2D7F：

提非纳文（Tifinagh）

　　2D80-2DDF：

埃塞俄比亚语扩展（EthiopicExtended）

　　2E00-2E7F：

追加标点（SupplementalPunctuation）

　　2E80-2EFF：

CJK部首补充（CJKRadicalsSupplement）

　　2F00-2FDF：

康熙字典部首（KangxiRadicals）

　　2FF0-2FFF：

表意文字描述符（IdeographicDescriptionCharacters）

　　3000-303F：

CJK符号和标点（CJKSymbolsandPunctuation）

　　3040-309F：

日文平假名（Hiragana）

　　30A0-30FF：

日文片假名（Katakana）

　　3100-312F：

注音字母（Bopomofo）

　　3130-318F：

朝鲜文兼容字母（HangulCompatibilityJamo）

　　3190-319F：

象形字注释标志（Kanbun）

　　31A0-31BF：

注音字母扩展（BopomofoExtended）

　　31C0-31EF：

CJK笔画（CJKStrokes）

　　31F0-31FF：

日文片假名语音扩展（KatakanaPhonetic